【算法学习笔记】KMP算法之构造回溯表(backtrack table)的思路和技巧

      【备注】本文为KMP算法的学习笔记，重点说明KMP算法中最关键的回溯表的构造思路。若对KMP算法涉及到的基础概念（如串的proper suffix, proper prefix等名词）不熟悉，建议先参照阅读本文最后部分给出的参考文献。

        Knuth–Morris–Pratt string searching algorithm （简称KMP算法）是一种高效的子串查找算法，

        提到子串查找，一种最简单易实现的方法是从源串第1个字符开始，与目标串进行逐次匹配，匹配思路如下所示（串S为长度为n的源串，W为长度为k的目标串，我们要实现的是在S中查找W，若查找成功，则返回其首次匹配成功的子串的首字符位置）： 

for(i = 0; S[i] != '\0'; ++i) 
{
    for(j = 0; S[i+j] != '\0' && W[j] != '\0' && S[i+j] == W[j]; j++);
    if (W[j] == '\0') { 
        // found a match
        return i;
    } 
    else {
        // match failed
        return -1;
    }
}

          上述方法优点是实现起来简单，缺点是时间复杂度高，最坏情况下的复杂度为O(nm)。

       不过在实际使用中，通常在逐次匹配（上述代码第2个for循环所示的过程）的早期就会出现dismatch，从而可以及时回溯进行下次匹配，故这种实现方法效果通常也不会很差，因此较为常用，c的库函数strstr()就是采用这种思路实现的（strstr()的一种实现方法）。

       为方便描述，本文约定：S[0, n-1]表示长度为n的源串，W[0, k-1]表示长度为k的目标串。

       假设串W的第j个字符W[j-1]与串S的第（i+j-1）个字符S[i+j-1]不相等引起本次匹配失败，这意味着在匹配失败的这个字符之前，串S与串W的对应字符均相等，即S[i, i+j-2]与W[0, j-2]逐字匹配成功。每一次的匹配过程均可用得到类似的、比较隐晦的“历史信息”。

       上面的代码中，每次出现dismatch后，外循环的index+1，内循环的index清零，重新开始匹配。可见，该方法并没有充分利用上次匹配失败过程中得到”历史信息“，这是导致其复杂度较高的根本原因。

       KMP查找算法正是充分利用了这些匹配失败时的“额外信息”，对回溯过程进行了优化，从而将最坏情况下的时间复杂度降低到了O(k+n)，其中k为目标串W的长度，n为源串S的长度。若k远小于n，则KMP算法几乎是在线性时间内完成查找，效率提高的相当明显。

       为尽快引入本文的重点（回溯表的构造方法），我们将wikipedia中给出的KMP算法伪码（文末参考文献里有链接）摘出如下：

algorithm kmp_search:
    input:
        an array of characters, S (the text to be searched)
        an array of characters, W (the word sought)
    output:
        an integer (the zero-based position in S at which W is found)

    define variables:
        an integer, m ← 0 (the beginning of the current match in S)
        an integer, i ← 0 (the position of the current character in W)
        an array of integers, T (the table, computed elsewhere)

    while m+i is less than the length of S, do:
        if W[i] = S[m + i],
            if i equals the (length of W)-1,
                return m
            let i ← i + 1
        otherwise,
            let m ← m + i - T[i],
            if T[i] is greater than -1,
                let i ← T[i]
            else
                let i ← 0
            
    (if we reach here, we have searched all of S unsuccessfully)
    return the length of S

        上述伪码中，标红且加粗的部分是KMP算法的关键，其对匹配失败时的回溯过程做了优化：不是简单的将外循环变量m+1且对内循环变量清零（ m = m + 1, i = 0，这是传统查找过程的做法），而是借助回溯表T，将外循环变量m更新为(m + i - T[i])，其中m+i为引起dismatch的字符在源串S中的index，同时，根据T[i]的值对内循环变量i做更新。

       对这两个循环变量的优化是KMP算法的精髓，优化过程中用到的回溯表T则是关键中的关键。

       假设目标串W长度为k，则回溯表T是由k个元素构成的数组，其中T[i]决定了源串S的第(m+i)个字符与目标串W的第i个字符匹配失败时，两个串的回溯步骤（从伪码中两个循环变量m, i的更新均用到T[i]可以得到这一结论）。

       我们从很多介绍性文章中都可以看到类似的描述：只要给出目标串W，就可以构造出回溯表T，与源串S无关。

       相信不少初学KMP算法的童鞋会有疑问：既然T的构造与S无关，那为啥S可以根据T做回溯？为神马这么神奇？反正我当时就有这样的疑问。。。